پیش بینی حالت های حمل ونقل از نقاط خط سیر با استفاده از روش های تقویت کننده و یادگیری عمیق در حمل ونقل هوشمند

: امروزه با گسترش شهرنشینی نیاز به حمل‌ونقل هوشمند به منظور تسهیل رفت و آمد شهروندان بیش از پیش مورد توجه قرار گرفته است. شناسایی و پیش‌بینی استفاده از حالات حمل‌ونقلی یکی از اساسی‌ترین پیش‌نیازها برای راه‌اندازی و استفاده از خدمات حمل‌ونقل هوشمند به شمار می‌آید. با پیشرفت فناوری‌های مکانی، ابزار و تلفن‌های هوشمند، اطلاعات زیادی با استفاده از سیستمهای تعیین موقعیت ماهواره ای (gnss) توسط بسیاری از دستگاه‌ها تولید می‌شود. در این پژوهش، چهار ویژگی نقطه‌ای، 56 ویژگی سفر و سه ویژگی پیشرفته استخراج شده، چهار مدل کلاسه‌بندی gb، xgboost، lightgbm و catboost زیر مجموعه روش تقویت‌کننده (boostig) پس از انتخاب ویژگی ترکیبی به همراه سه مدل کلاسه‌بندی cnn، lstm و convlstm زیر مجموعه روش یادگیری عمیق پیاده‌سازی و بررسی شده تا بتوان حالات حمل‌ونقلی شامل: پیاده‌روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار را با استفاده از مجموعه داده‌های geolife پیش‌بینی کنند. نتایج نشان داد مدل lightgbm با کسب دقت بالاتر (49/95درصد) و پیچیدگی زمانی کمتر، بهترین مدل نسبت به مدل‌های دیگر است.

identifying transportation modes from trajectory dataset using boosting and deep learning methods in intelligent transportation systems

, with the expansion of urbanization, the need for intelligent transportation to facilitate the movement of citizens has received more attention than before. identifying and predicting the use of transportation modes is one of the most basic prerequisites for setting up and using intelligent transportation services. with the advancement of location technologies, agents, and smartphones, a lot of information is generated by many devices using global navigation satellite systems (gnss). in this study, 4 point features and 59 travel features and advanced features were extracted, four classification models gb, xgboost, lightgbm and catboost subset of boosting method after hybrid feature selecting with 3 classification models cnn, lstm, and convlstm subset of deep learning method implemented and analyzed to predict transportation modes including walking, using bicycles, using buses, using cars, and using trains usage the geolife dataset. finally, the lightgbm model predicted transportation modes with higher accuracy (95.49%) and less time complexity than other models.